Question

我正在解析表格中的一些数据：

(['L123', 'L234', 'L1', 'L253764'])
(['L23', 'L2'])
(['L5'])
...

其中parens中的短语（包括括号）被编码为单个chararray。

我想只提取L +（数字）标签来获取格式的元组：

((L123, L234, L1, L253764))
((L23, L2))
((L5))

我尝试使用正则表达式'（L \ d +）'来使用REGEX_EXTRACT_ALL，但它似乎每行只提取一个标记，这对我来说没用。有没有办法以我上面描述的方式创建元组？

Answer 1

如果订单无关紧要，那么这将有效：

-- foo is the tuple, and bar is the name of the chararray
B = FOREACH A GENERATE TOKENIZE(foo.bar, ',') AS values: {T: (value: chararray)} ; 
C = FOREACH B {
    clean_values = FOREACH values GENERATE  
                   REGEX_EXTRACT(value, '(L[0-9]+)', 1) AS clean_value: chararray ; 
    GENERATE clean_values ;
}

架构和输出是：

C: {clean_values: {T: (clean_value: chararray)}}
({(L123),(L234),(L1),(L253764)})
({(L23),(L2)})
({(L5)})

一般来说，如果你不知道阵列会有多少元素，那么一个包将更好。

Hadoop Pig：提取与给定正则表达式匹配的所有子字符串

1 个答案: